[發明專利]基于霍爾特指數平滑法的狀態預測模型生成方法

在審

• 申請號: 201711162356.5
• 申請日: 2017-11-21
• 公開（公告）號: CN107943558A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 趙茂先;楊洪禮
• 申請（專利權）人: 山東科技大學
• 主分類號: G06F9/455
• 分類號: G06F9/455
• 代理公司: 青島智地領創專利代理有限公司37252
• 代理人: 朱玉建

技術領域

本發明涉及一種基于霍爾特指數平滑法的狀態預測模型生成方法。

背景技術

近年來，隨著社交網絡、電子商務和在線視頻等新一代大規模互聯網應用的普及，云計算迅猛發展。數據中心作為云計算的核心，其性能對上層云計算服務具有重要影響。然而，目前數據中心存在著電能消耗過高、資源使用率過低以及資源使用不平衡等突出問題，這些問題嚴重制約了云計算數據中心的性能。為改善數據中心的整體性能，利用虛擬機遷移技術對虛擬機進行動態管理，成為了數據中心管理研究領域的熱點話題。

虛擬機動態管理包括三個過程：(1)主機觸發遷移時機的決策；(2)遷移虛擬機的選擇；(3)虛擬機放置位置的選擇。其中主機觸發遷移時機的決策是虛擬機動態管理的首要步驟，核心是對主機狀態進行檢測，如果主機處于低負載狀態，則觸發低負載遷移，將該主機上所有正在運行的虛擬機遷移到數據中心的其他物理主機上，并將該主機切換至休眠狀態；如果主機處于過載狀態，則觸發過載遷移，從該主機上遷移部分虛擬機到數據中心的其他物理主機上。

目前常用的主機狀態檢測策略是基于滑動窗口的兩級狀態檢測策略。

上述檢測策略的基本思想是：首先進行一級檢測，統計滑動窗口內的主機狀態數據，當滑動窗口內超出預定閥值的狀態數據達到一定比例P時，對主機的狀態進行預判斷，然后進入二級檢測；二級檢測對主機下一時刻的狀態數據進行預測，只有預測的狀態數據仍超出閾值時，才對一級檢測預判的主機狀態進行最終確認。兩級狀態檢測策略的有效性直接依賴于狀態數據預測的準確性，而目前提出的狀態預測模型在主機狀態數據出現趨勢變化時，存在預測滯后的缺點，因此難以保證預測結果的準確性；此外，已有狀態預測模型靜態設定模型參數難以適應主機狀態數據的動態變化，因此亟需提出更有效的狀態預測模型。

發明內容

本發明的目的在于提出一種基于霍爾特指數平滑法的狀態預測模型生成方法，以解決現有狀態預測模型存在預測滯后的缺點，同時很好地適應主機狀態數據的動態變化。

本發明為了實現上述目的，采用如下技術方案：

基于霍爾特指數平滑法的狀態預測模型生成方法，包括如下步驟：

s1.基于霍爾特指數平滑法構建狀態預測模型

狀態預測模型相關的公式如下：

S_t＝αX_t+(1-α)(S_t-1+b_t-1) (1)

b_t＝γ(S_t-S_t-1)+(1-γ)b_t-1 (2)

其中，x_t表示主機在t時刻狀態數據的監控值；

α和γ為平滑系數，反映了近期數據對預測結果的影響，α和γ取值范圍均為(0,1)；

S_t-1、S_t分別表示t-1、t時刻平滑值，反映了狀態數據的整體水平；

b_t-1、b_t分別表示t-1、t時刻趨勢值，反映了狀態數據的變化趨勢；

表示主機在t+1刻的狀態數據預測值；

s2.對狀態預測模型平滑系數進行動態優化，得到較優的狀態預測模型

以狀態預測模型SSE最小化為目標，動態優化平滑系數α和γ

SSE定義如下：

其中，表示主機在t時刻的狀態數據預測值；

基于Fabonacci數列在二維空間對α和γ進行搜索；Fabonacci數列滿足以下定義：

F₀＝F₁＝1 (5)

F_n+1＝F_n+F_n-1 (6)

其中，n≥1，n∈N^*，N^*表示正整數；

基于Fabonacci數列對狀態預測模型平滑系數α和γ優化的過程為：

建立以α軸為橫軸、以γ軸為縱軸的二維空間搜索坐標系；

設定搜索空間是正方形，且第k步搜索空間S_k在α軸和γ軸上投影區間都為[a_k,b_k]，在投影區間[a_k,b_k]內利用Fabonacci數列計算坐標位置，分別用λ_k和μ_k表示，計算公式如下：